微软碳减排投资 - 微软与Vaulted Deep签署协议 投资17亿美元用于碳去除项目 目标在2038年前实现超400万吨碳去除 [2][3][6] - Vaulted Deep通过将人类及动物粪便与造纸污泥等有机废物混合制成生物泥浆 注入地下1524米岩层永久封存 替代传统垃圾处理方式以避免二氧化碳排放和地下水污染 [3][7] - 该项目单吨二氧化碳处理成本为350美元 总交易价值超17亿美元（约122.05亿元人民币） 实际金额可能随技术成本波动调整 [6][7] 微软碳排放背景与动因 - 微软2024财年碳排放量较2020年增长23.4% 主要因云计算和AI业务推动数据中心用电量持续攀升 [8] - 公司需在2030年实现二氧化碳负排放 2050年清除历史全部碳排放 此次投资系履行减排承诺的举措之一 [8][11] - 除维护企业ESG评分与社会形象外 该项目可使微软通过美国45Q税收碳信用机制获得税务减免 [12] AI行业资源消耗现状 - AI数据中心存在巨大散热需求 ChatGPT每生成10-50次回复需消耗500ml水 其月访问量超52亿次 [14] - 传统大型数据中心单日耗水量达500万加仑 相当于2-5万人口城镇日用水总量 [14] - 亚马逊、谷歌等企业已投资雨水收集与再生水冷却系统以应对资源消耗问题 [16] 杰文斯悖论与行业影响 - AI行业陷入"军备竞赛" 免费模型与低价Tokens策略刺激用户需求增长 导致资源消耗总量持续扩大 [16] - 技术效率提升可能因成本下降反致需求增加 类似煤炭石油开采技术演进带来的总消耗量上升现象 [16] - 微软"圈地买粪"模式可能成为行业样本 其他厂商或将跟进类似碳权获取方案 [16]

核心观点 - Scaling Law是大模型持续进步的核心动力 通过增加计算资源投入可系统性提升模型性能[10][17] - AI发展目前处于不平衡状态 能力快速提升但成本仍高 未来可能达到发展速度变慢且成本极低的平衡状态[50] - AI大部分价值可能来自最强模型 而非低配版[51] - 建议在AI能力边界上构建产品 用AI集成AI 并快速找到大规模应用突破口[29][30][31] Scaling Law发现与应用 - 源于物理学思维 通过问基础问题发现预训练和强化学习阶段都存在精确的Scaling规律[13] - 预训练阶段 扩大规模与模型性能提升呈线性关系 该规律在5个数量级内成立[11][13] - 强化学习阶段 计算资源投入与模型能力提升同样存在线性关系 最初通过六子棋实验发现[14][17] - Scaling Law可作为训练诊断工具 若失效更可能是训练方法出现问题而非规律本身问题[48] AI能力发展趋势 - 用两个维度衡量AI能力：Y轴为适应性(处理多模态能力) X轴为任务时长跨度[18][19] - 任务时长处理能力约每7个月翻一倍 从几分钟逐步扩展到几天、几周甚至几年[20][23] - 未来可能出现成千上万AI模型协作 完成人类组织或科学界几十年才能完成的工作[25] - Claude 4重点优化了记忆功能 使AI能保存和调用信息 处理更长跨度任务[35][36] AI发展建议与方向 - 需突破三个关键点：组织知识整合、长期记忆能力、细致监督信号[27][28] - "广度型"AI在整合跨领域知识方面潜力巨大 如生物医学研究[40] - 技术门槛高且依赖电脑/数据的领域(金融、法律等)是AI应用空白地带[41] - 人机协作是重要方向 初期需人类管理 长期将更多任务完全自动化[39] 物理思维对AI研究的价值 - 物理学方法强调寻找宏观趋势并精确量化 如质疑"指数增长"说法并要求精确函数形式[43] - 将神经网络视为无限大系统研究 借鉴物理学中大矩阵近似方法[44] - 坚持问基础问题 因AI领域仍有许多基本原理未解 如可解释性问题[44][46]

微软投资碳减排项目 - 微软与Vaulted Deep公司签订12年协议，以17亿美元购买490万公吨有机废物进行地下封存 [3][7] - 有机废物包括牲畜粪肥、人类排泄物等，通过高压注入地下1.5公里深的盐穴实现碳封存 [7][9] - 该项目符合美国45Q税收抵免政策，每吨碳封存可获得最高85美元补贴，微软可能通过税收优惠实现部分成本回收 [20][22] AI业务与碳排放矛盾 - 微软2023财年碳排放量较2020年增长23.4%，主要因AI和云计算业务能源消耗飙升168% [14] - GPT-4单次请求耗电0.43瓦时，比谷歌搜索高40%，全球日均7亿次查询年耗电达46万兆瓦时 [28][30][34] - AI模型训练碳排放显著，GPT-4训练排放1.2-1.5万吨CO₂，相当于3200辆汽车年排放量 [26] 碳减排的商业驱动因素 - ESG评分体系促使科技巨头投资环保项目，高评分企业更易获得资本青睐和低融资成本 [16] - 微软计划2030年实现碳负排放，2050年消除历史碳排放，但AI扩张导致减排压力加剧 [12][14] - 碳封存技术通过阻止有机废物分解产生甲烷和CO₂，每吨处理成本约350美元 [7][9] 行业现象与经济规律 - AI效率提升引发"杰文斯悖论"，需求激增导致总能耗不降反升 [39][40][42] - 科技公司采取"碳抵消"策略平衡业务扩张与环保承诺，形成新型商业模式 [24][44] - 碳减排项目兼具政策合规与资本回报双重属性，形成产业链联动效应 [22][23]

市场回顾与资产表现 - 上周科技类资产领先周期类资产 恒生科技和创业板指数涨幅靠前 而布油、白银和黄金跌幅靠前 [2] - A股行业指数中通信、医药生物和汽车涨幅领先 传媒、房地产、银行与非银金融跌幅居前 [2] - 中央城市工作会议明确房地产不再作为经济增长领头羊 新基建需求成为周期股新催化剂 [2] 周期股行情驱动因素 - 雅鲁藏布江下游水电工程正式开工 总投资达1.2万亿元 将催化局部周期股行情 [2][7] - 周期行情先后经历"反内卷"供给收缩交易和房地产需求定位调整 近期因新基建需求重现活力 [7] - 该水电工程涉及传统钢铁、水泥、挖掘机需求 同时包含人工智能盾构机和特高压输电等科技装备需求 [8] 科技股面临挑战 - Wind微盘股呈现高收益与高拥挤度特征 引发投资者对科技股走势分歧 [1][2] - 英伟达H20芯片在中国销售可能导致"自主可控"交易逻辑弱化 国内生产者采购行为可能改变市场预期 [2][8] - 科技股拥挤度持续提升 投资者面临"五穷六绝七翻身"历史规律与现实困境的两难选择 [2] 宏观分析框架演变 - 市场出现"宏观无用论"观点 认为2025年行情由增量资金驱动 传统宏观因子影响力下降 [3] - 产业结构变革导致总量分析框架与经济结构裂变出现错配 GDP增速等全局性指标难以捕捉结构性机会 [4] - 在供给侧改革时期 工业增加值数据曾掩盖消费升级与高端制造的增长机遇 [5] 周期与科技的内在联系 - 科技与周期并非对立关系 存在"算力的尽头是电力"的杰文斯悖论现象 [8] - 技术进步提高资源使用效率反而激增资源消耗 如高效蒸汽机推动煤炭需求飙升 [8] - 雅鲁藏布江工程同时涵盖传统周期品和科技装备需求 体现周期与科技投资机会的统一性 [8][9] 市场风格轮动预期 - 在三季度政治局会议和美联储降息前 投资者可能更倾向于参与周期复辟行情 [8] - 科技是战略配置而周期是战术选择 两者将出现阶段性风格轮动 [7] - 周期与科技的博弈将贯穿下半年行情 投资优先级正在发生动态变化 [1]

AI投资趋势 - 未来三年68%的受访CIO计划将超过5%的IT预算投入AI领域 当前占比约25% [1] - AI相关计算支出占IT预算比例预计从当前5 9%增至15 9% 年复合增长率41% 优于XPU半导体收入增长预期的30-35% [4] - 云支出占IT预算比例预计从当前25%提升至38% 年复合增长率9-13% [5] 半导体行业机遇 - AI算力需求推动AI GPU与AI ASIC双路线共同受益 英伟达 AMD 博通 ARM等企业将持续强劲增长 [6] - 谷歌TPU获OpenAI背书 强化ASIC生态领导地位 有望吸引苹果 Cohere等客户迁移 [8] - AI ASIC市场份额有望大幅扩张 与AI GPU趋于对等 当前AI GPU占据90%份额 美国四大科技巨头2026年AI算力支出或达3300亿美元 [9] 算力需求前景 - 推理端AI算力需求呈现"星辰大海"式增长 英伟达Blackwell系列预计创销售纪录 [9][10] - DeepSeek R1及NSA机制推动AI大模型效率提升 驱动AI应用加速渗透 芯片需求或呈指数级增长 [10] - "杰文斯悖论"预示AI大模型应用规模激增将带来史无前例的推理算力需求 [10] 英伟达估值预期 - Loop Capital预测英伟达市值或达6万亿美元 目标股价上调至250美元 [11] - 预计到2028年全球在英伟达AI GPU上的累计支出约2万亿美元 [11]

报告核心观点 - 展望下半年，特朗普关税 2.0 摩擦或已达峰，美国通胀隐忧高于衰退，欧洲经济在“夹缝中求生存”，日本经济韧性复苏但有风险点，中国经济可实现 2025 年 5%增长目标，宏观政策关注存量和增量 [2][12][13] - 资产配置应“攻守兼备、以逸待劳”，关注“低通胀”红利、科技产业、政策变量、新消费、债市、商品供需和黄金价格等逻辑 [3][14] 各部分总结 拨云见日，以逸待劳 - 2024 年“制造立国”和“见龙在田”观点获多方位验证，下半年大类资产配置受外部变化、内部趋势和政策变动影响，应把握确定性趋势和应对不确定性 [8] - 中美进入政治新周期，特朗普政府有“重塑全球分配体系”意图，外部对中国存在“误读误解”和“刻板印象”，“拨云见日”需“以我为主、励精图治” [2][9] - “以我为主”可打破“修昔底德陷阱”等叙事，促使“做多中国”力量涌现；“励精图治”以高质量发展应对外部不确定性，办好自己的事、改革破局、重视宏观政策多方面作用 [10][11] 拨云见日，励精图治 “修昔底德陷阱”并非必然 - “修昔底德陷阱”隐喻中美关系，被视为国际关系“铁律”，特朗普和拜登时期均有对华封锁、限制和打压政策，“中美对抗论”叙事造成误读 [16][17] - 破除“修昔底德陷阱”可从三方面看：中国无意改变美国主导的国际秩序；“以备战止战”才是核心逻辑，“必有一战”观点过于粗暴；“中国威胁论”不是“铁板一块”，未来可能从美国内部党争中瓦解 [17][22][24] 大国框架与中心叙事 - “大国框架”以大国视角分析问题，不考虑经济运行真实规律；“中心叙事”忽视“边缘”视角和现象，导致“全球南方”概念兴起 [25][26] - 应坚持共商共建共享的全球治理观，践行真正的多边主义，兼顾各方合理关切，维护国际规则和秩序 [27] 破除“后发劣势” - “后发劣势”观点认为后发国家模仿发达国家技术和管理模式，滞后的社会制度将带来负面影响，中国经济面临挑战时该观点甚嚣尘上 [28] - 以新质生产力助力中国式现代化发展，培育创新动能破解“后发劣势”；“Deepseek”时刻会越来越多，推动国内科技发展，吸引海外投资者关注 [29][32] “经济福利最大论”需纠偏 - “经济福利最大论”认为国民收入总量和分配均等化影响社会经济福利，当前有加大政策刺激力度甚至给居民“撒钱”的声音 [35] - 应关注与人的生活质量、生活水平关系紧密的变量，如生理需求与安全需求、购买力平价的经济增长 [36][44] 走出“唯地产论” - “唯地产论”形成的原因包括房地产投资拉动经济增长、决定经济周期、影响行业景气度、是地方财政重要来源、有正财富效应、吸纳就业和是金融体系核心底层资产等 [46] - 2022 年以来中国进入“去地产化”进程，应从经济、财政、居民财富和就业以及金融风险四个角度打破“固有思维” [47] - 经济增长层面，制造业投资和基建投资对冲地产下行，制造业成为稳增长重要力量，关注产业基础再造等四方面逻辑 [49][51][52] - 土地财政转型，房地产依赖度下降，“土地财政”收入体系涵盖显性和隐性收入，2022 年以来收入规模收缩，占比下降 [53][54]

市场表现 - A股三大指数集体上涨，上证指数涨0.42%，深证成指涨0.87%，创业板指涨1.11% [1] - 硬科技赛道ETF表现强势，云计算沪港深ETF涨1.4%，计算机ETF涨1.17%，芯片ETF天弘近两日涨超1% [1] - 算力产业链集体反弹，光模块、铜连接方向领涨，太辰光涨14.88%，德科立涨11.56%，新易盛涨7.17% [4][5] - 可控核聚变题材活跃，融发核电涨5.23%，港股中广核矿业大涨超20% [6][7] 行业驱动因素 - 英伟达股价上涨近3%，超越微软成为全球市值最高公司，博通涨超3%创历史新高，带动A股算力基建股反弹 [4] - AI超算中心电力需求激增，单个中心功率达500兆瓦，能源巨头Constellation Energy与Meta签署20年核电供电协议 [8] - 国内核电投资1-4月完成额362.56亿，同比增长36.64%，远超电源投资1.6%的增速 [9] - 英伟达一季度数据中心营收同比增73%，AI推理市场需求高增长，token生成量一年激增10倍 [9] 公司动态 - 海光信息与中科曙光战略重组，中科曙光持股27.96%并入海光信息，预计6月9日复牌，实现"芯-端-云-算"全产业链布局 [11][12] - 计算机ETF(159998)近13日连续资金净流入，累计吸金1.47亿，规模28.48亿为同标的最大 [27][29] - 云计算沪港深ETF(517390)覆盖阿里、腾讯等港股互联网龙头及中科曙光等A股AI硬件公司，连续两日资金净流入 [27][29] - 芯片ETF天弘(159310)规模9.35亿，为深市同标的最大产品 [30] 产业趋势 - AI技术从实验室走向商用，大模型训练催生巨大算力需求，推动硬件、云服务和软件生态升级 [31] - 国产AI算力崛起，华为昇腾、海光、寒武纪等性能与成本综合优势显现，各地智算中心落地加速 [13][14] - 云计算作为AI基础设施，国产规模有望2025年突破万亿，计算机板块迎AI赋能价值重估 [23][25] - "杰文斯悖论"显现，AI效率提升反推芯片总需求增长，英伟达市值修复至3.5万亿美元 [20][21]

阿里云AI战略布局 - 阿里云正式上线Qwen3系列模型"全家桶"，包含2个MoE模型和6个稠密模型，参数规模从0.6B到235B，覆盖手机端到旗舰级体验，并一次性开源 [2] - Qwen3-4B小模型性能对标上一代Qwen-32B，发布两小时GitHub Star数超16.9k，显示市场高度关注 [2] - Qwen3采用混合推理架构，全球首个开源"快慢思考"集成模型，能自动识别任务场景切换思考模式，技术领先性显著 [5] 技术突破与成本优化 - Qwen3部署成本仅为DeepSeek-R1的四成（4张H20卡 vs 16张H20卡），性能全面超越国内领先模型 [6] - 模型支持MCP协议并推出Agent原生框架，孵化出爆款应用Manus（基于Qwen的Agent），推动AI应用生态 [13][14] - 阿里云通过"杰文斯悖论"效应刺激AI需求：Qwen3训练成本优化反而带动算力消耗激增，形成正向循环 [6] 集团AI化转型 - 阿里宣布未来三年投入3800亿建设云和AI基础设施，金额相当于近三年累计利润，战略级投入力度空前 [19][20] - 集团所有业务单元2025年绩效考核与AI应用成效挂钩，电商板块200+业务线联合通义团队开发智能功能 [21] - 夸克升级为集团AI旗舰应用，通义APP首批接入Qwen3模型，高德/飞猪/饿了么等快速落地AI功能 [23] 市场影响与财务前景 - 阿里云2024Q4营收317.42亿元（同比+13%），AI收入连续六季度三位数增长，市占率回升至26.1% [28][29] - 高盛预测2026/2027财年阿里云AI收入将达290亿/530亿元，占总收入20%/29%，推动整体收入增速超20% [29] - 摩根大通测算阿里云估值或达1850亿美元（按微软10.5倍PS），带动阿里整体市值从3045亿升至3910亿美元 [29] 行业竞争格局 - Qwen3实现中美大模型代际差抹平，开源生态已吸引90%上市银行/手机/汽车/家电品牌加入 [27] - 阿里构建"云计算底层+MaaS中间层+应用顶层"三位一体架构，布局完整度领跑国内互联网公司 [26][28] - 行业进入Agent元年，百万日活产品Agent化后token消耗激增30万倍，算力需求呈指数级增长 [16]

阿里AI战略与成果 - 阿里通过Qwen3系列大模型的发布确立了在开源大模型领域的全球领先地位 终结了关于其是否为AI公司的讨论 [2] - Qwen3系列模型在多项基准测试中表现优异 如235B版本在ArenaHard达到95.6分 显著优于OpenAl-o1(92.1)和Deepseek-R1(93.2) [3] - 公司宣布未来三年将投入3800亿人民币建设云和AI基础设施 金额超过过去十年总和 [5] 技术优势与成本控制 - Qwen3-235B仅需4张H20显卡即可部署 成本仅为竞品DeepSeek-R1(需16张H20)的30% [7] - 模型支持从0.6B到235B的全尺寸分类 适配手机/智能眼镜/机器人等多种终端设备 [7] - 具备自适应算力分配功能 可根据需求动态调整思考模式与非思考模式的资源调用 [9] 行业竞争格局 - 中国AI应用需求旺盛 2022年工业机器人安装量达29万台 远超日本等十国总和 [11] - 中国78%受访者对AI持乐观态度 显著高于美国的35% 反映两国市场接受度差异 [10] - 当前ChatGPT单产品月活已超过中国前十大AI产品总和 显示国内应用层仍有差距 [12] 战略定位与生态布局 - 公司采用"云+AI"组合拳战略 将云计算定位为AI时代的核心基础设施 [14] - 通过开源策略构建产业生态 已为夸克/钉钉等内部产品提供AI底层支持 [11][12] - 明确从模型训练向Agent中心时代过渡的技术路线 强化对计算资源的整合能力 [14] 行业发展趋势 - AI投资呈现"杰文斯悖论" 技术进步未降低资源消耗 反而刺激全球算力需求激增 [6] - 中美AI发展路径分化 美国侧重AGI愿景 中国更注重产业落地与实际问题解决 [10] - 中国互联网进入"智能化"十年周期 需将技术优势转化为商业动能与用户福祉 [13]

人工智能支出趋势 - 大型云客户因价格下跌正在减少人工智能费用的支出 [1] - 网络安全公司Palo Alto Networks发现DeepSeek开源模型成本仅为OpenAI的5%并计划减少AI支出 [1] - 汤森路透在微软和谷歌云上的AI支出"基本持平"得益于模型价格下降 [7] - Intuit转向混合使用免费开源模型和OpenAI更便宜模型减缓了Azure上的AI支出增长 [8] 成本下降驱动因素 - Nvidia服务器芯片在过去一年中更容易以更低价格获取 [2] - 开源模型与OpenAI等商业模型的性能差距缩小导致成本急剧下降 [7] - DeepSeek模型成本仅为OpenAI一小部分引发行业震动 [8] 行业分化现象 - OpenAI、xAI、Anthropic和字节跳动等少数AI开发者推动云服务商收入增长 [6] - 开发AI驱动应用的年轻初创公司仍在增加AI投资 [11] - 普华永道等咨询公司增加AI支出以跟踪客户数据并提供最新技术 [13][14] - 仅OpenAI、Cursor、Glean和Perplexity等少数公司通过AI应用获得可观收入 [15] 商业生态影响 - 微软CEO认为成本下降将遵循杰文斯悖论带动整体AI需求增长 [8] - 微软Copilot和Salesforce Agentforce面临来自低成本竞争对手的定价压力 [16] - 微软将多个Azure销售团队销售配额降低多达40%可能与AI支出放缓有关 [17] 长期展望 - 价格下降可能吸引老旧行业公司加速AI技术采用 [9] - Palo Alto Networks计划在安全软件的其他AI技术领域增加投资 [10] - 工业机器人和复杂白领任务领域仍会为尖端模型支付高价 [12]